KS325/close-upper-drawer-r1_occ

该数据集由LeRobot创建，属于机器人领域。数据集包含20个episodes，17426帧，1个任务。数据格式包括6维动作数据（肩部平移、肩部升降、肘部弯曲、腕部弯曲、腕部旋转和夹持器位置）、6维状态观测数据、两个480x640分辨率的摄像头图像数据（30fps，AV1编码）以及时间戳、帧索引等元数据。数据以parquet格式存储，视频以mp4格式存储。数据集采用apache-2.0许可证。

This dataset was created by LeRobot and belongs to the robotics domain. It contains 20 episodes, 17426 frames, and 1 task. The data format includes 6-dimensional action data (shoulder pan, shoulder lift, elbow flex, wrist flex, wrist roll, and gripper positions), 6-dimensional state observation data, two camera image data with 480x640 resolution (30fps, AV1 codec), as well as metadata such as timestamps and frame indices. The data is stored in parquet format, and videos are stored in mp4 format. The dataset is licensed under apache-2.0.

搜集汇总

数据集介绍

构建方式

close-upper-drawer-r1_occ数据集依托LeRobot框架构建，专注于机器人闭合上层抽屉的操作任务。该数据集包含20个演示片段，总计17426帧数据，以30帧/秒的速率采集。每条记录均包含机械臂6维动作指令（肩部、肘部、腕部及夹爪位置）及对应观测状态，同时借助双摄像头（分辨率640×480）采集多视角视觉信息。数据以Parquet格式存储，视频采用AV1编码压缩，并提供统一的数据划分策略，其中所有片段均用于模型训练。

特点

该数据集的核心特点在于其高保真多模态融合特性。一方面，6自由度动作序列与机械臂状态观测数据保持严格同步，确保了模仿学习训练中动作-状态对的一致性；另一方面，双视角视觉流以30FPS的稳定帧率记录操作实况，为时空建模提供了丰富的环境上下文。此外，数据集采用内存友好型存储方案（包含100MB数据文件与200MB视频文件），并遵循标准化的数据分块与组织格式，显著降低了机器人在真实场景中数据复用的门槛。

使用方法

借助LeRobot生态系统的集成工具，用户可便捷调用该数据集进行机器人模仿学习实验。数据集以Hugging Face Datasets格式发布，通过parquet文件加载结构化动作与状态数据，同时支持按视频键名索引对应的摄像头观测。研究人员可基于预设的训练切片（0至20号片段）与1000帧的chunks_size参数快速构建数据流水线，或利用LeRobot可视化工具（如Hugging Face Spaces）直接预览数据内容，从而加速机器人操控策略的迭代与验证。

背景与挑战

背景概述

在机器人操作领域，灵巧的抽屉开合任务一直被视为评估机械臂精细运动控制能力的重要基准。该数据集由KS325团队基于LeRobot框架创建于近期，旨在为机器人学习社区提供一个专注于“关闭上层抽屉”这一特定子任务的示范数据集。核心研究问题在于如何通过少量高质量的示教数据，使机器人掌握包含遮挡（occ）场景下的关节空间闭环控制策略。数据集共包含20个演示片段、17426帧视频与状态信息，其影响力在于为模仿学习与策略泛化研究提供了稀缺的、带有真实环境遮挡干扰的标准化评估素材。

当前挑战

数据集所面对的领域挑战首先在于精细操作中的状态估计与运动规划难题：机械臂需在视觉部分遮挡的条件下准确识别抽屉位置并执行闭合轨迹，这对感知系统的鲁棒性提出了极高要求。构建过程中的挑战则包括：1) 数据采集的重复性——仅依靠20个演示片段难以覆盖实际环境中多种初始状态与遮挡模式；2) 硬件校准的精度——从元信息可见，机器人类型为so_follower，其6自由度动作空间与双目摄像头需严格同步与标定，任何微小偏差都会影响后续学习的成功率；3) 数据量规模——100MB的parquet数据与200MB视频数据在深度学习范式下显得不足，可能限制模型从高维视觉输入中充分提取特征的能力。

常用场景

经典使用场景

在机器人操作任务的研究中，数据集扮演着不可或缺的角色。'close-upper-drawer-r1_occ'是一个专为模仿学习和机器人精细操作设计的低维控制数据集，聚焦于闭合上层抽屉这一具体且具有代表性的操作。其经典使用场景在于为基于视觉和状态观测的机器人控制策略提供训练样本，通过记录六自由度机械臂（so_follower）的关节位置、夹爪动作以及双视角同步视频流，研究者能够利用该数据集训练端到端的神经网络，学习从感知到动作的映射关系，从而复现闭合抽屉的连贯操作序列。

衍生相关工作

围绕该数据集衍生出的一系列经典工作推动了模仿学习技术的迭代升级。例如，基于LeRobot框架的扩散策略（Diffusion Policy）在该类数据上验证了其稳定生成平滑动作序列的能力；同时，观测空间与动作空间不对齐等问题催生了跨具身形态的泛化研究，促使学者探索如何利用此数据集微调预训练模型以适应不同构型的机器人。此外，该数据集的发布模式也为同步多模态数据（如视频、状态与动作）的标准化收集树立了典范，影响了诸如Open X-Embodiment等更大规模机器人数据集的构建思路。

数据集最近研究

最新研究方向

该数据集聚焦于机器人精细操作技能的学习，特别是面向柜门闭合这一日常家务场景的模仿学习研究。通过记录SO Follower机械臂的六维关节动作与双视角视觉观测信息，数据集为探索基于视觉-动作联合表征的机器人操控策略提供了高质量示范数据。结合LeRobot框架的标准化处理流程，当前研究正沿着利用小样本数据实现高效策略泛化、构建从仿真到真实世界的精准映射机制等方向深入，旨在推动家庭服务机器人从预设程序执行向可泛化技能自主习得的范式跃迁。